基于BP神经网络的概率潮流在线计算方法技术

本发明专利技术公开了一种基于BP神经网络的概率潮流在线计算方法，主要包括以下步骤：1)建立BP神经网络潮流模型。2)初始化BP神经网络潮流模型的基本参数。3)获取训练样本数据。4)确定训练目标。采用所述训练样本数据，对所述BP神经网络潮流模型进行训练，从而得到训练后的BP神经网络潮流模型。5)获取计算样本。6)将步骤3得到的训练样本数据一次性输入步骤4中训练完成的BP神经网络潮流模型中，得到所述训练目标，从而判断所有训练样本的潮流可解性；计算可解样本的潮流值。7)统计概率潮流指标。本发明专利技术可广泛应用于电力系统的概率潮流在线计算，特别适用于新能源高比例接入导致电力系统不确定性增强的情况。

On-line calculation method of probabilistic power flow based on BP neural network

The invention discloses an online calculation method of probabilistic power flow based on BP neural network, which mainly includes the following steps: 1) establishing BP neural network power flow model. 2) Initialize the basic parameters of BP neural network power flow model. 3) Obtain training sample data. 4) Setting training objectives. Using the training sample data, the BP neural network power flow model is trained, and the BP neural network power flow model after training is obtained. 5) Obtain calculation samples. 6) The training sample data obtained in step 3 are input into the BP neural network power flow model trained in step 4 at one time, and the training objectives are obtained, so as to judge the power flow solvability of all training samples and calculate the power flow values of solvable samples. 7) Statistical probabilistic power flow index. The present invention can be widely used in the online calculation of probabilistic power flow in power system, especially in the case of high proportion of new energy access leading to increased uncertainty of power system.

【技术实现步骤摘要】
基于BP神经网络的概率潮流在线计算方法
本专利技术涉及电力系统及其自动化领域，具体是一种基于BP神经网络的概率潮流在线计算方法。
技术介绍
电力系统本质上运行在不确定的环境当中。概率潮流可计及不确定性因素的影响，获取系统状态变量的概率特征，并用于电力系统规划和运行等方面。近年来，由于光伏、风电等可再生能源渗透率越来越高，电力系统不确定性激增。为了满足电力系统运行调度的要求，在线概率潮流计算的需求愈发迫切。目前，概率潮流求解方法主要有解析法和模拟法。解析法(卷积法、点估计法、一次二阶矩法等)通常计算量较小，但忽略了潮流不可解情况，并且随着输入随机变量的增多会造成输出变量数字特征精度损失。模拟法以MCS法为基础，计算结果精确并作为验证其他方法的参考，但需要大量抽样系统状态，从而计算时间较长。因此，学者一直在寻求改进方法以减少MCS法计算概率潮流的计算时间。目前针对MCS法计算概率潮流的改进主要分为改进抽样方法和改进潮流计算方法。改进抽样方法包括重要抽样法、拉丁超立方采样法、拟蒙特卡洛法等，可有效减少模拟样本数，相应的理论研究已较为成熟，但依然难以在线应用。改进潮流计算方法主要分为改进迭代算法和非迭代算法。改进迭代算法大多基于牛顿法，如快速解耦法、拟牛顿法等，一定程度上加快了潮流求解的速度，但仍然需要迭代计算，因此难以用于在线分析。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题。为实现本专利技术目的而采用的技术方案是这样的，一种基于BP神经网络的概率潮流在线计算方法，主要包括以下步骤：1)建立BP神经网络潮流模型。进一步，所述BP神经网络潮流模型包括输入层、隐含层和输出层。输入层的神经元个数设为n。任意输入层神经元记为xi，i＝1、2…n。隐含层的神经元个数为1。输出层的神经元个数设为m。任意输出层神经元记为de,e＝1、2…m。n和m的取值由电力系统的规模和复杂程度决定。2)初始化BP神经网络潮流模型的基本参数，主要包括：输入层到隐含层的权重Wij、隐含层到输出层的权重Wje和学习速率η。3)获取训练样本数据。所述训练样本数据主要包括电力系统的风速、光照辐射度和负荷。4)确定训练目标，即权值矩阵与偏移向量参数θ＝{W,b}。所述BP神经网络潮流模型的训练目标，即权值矩阵与偏移向量参数θ＝{W,b}的最优值如下所示：式中，W表示输入层至隐含层的权值矩阵。为归一化后的输入。b表示输入层至隐含层的偏移向量。fθ为。采用所述训练样本数据，基于步骤2中的初始化BP神经网络潮流模型的基本参数和训练目标，对所述BP神经网络潮流模型进行训练，得到所述训练目标，从而得到训练后的BP神经网络潮流模型。进一步，对所述BP神经网络潮流模型进行训练的主要步骤如下：4.1)所述BP神经网络潮流模型的输入X主要包括电力系统的能源节点和负荷节点的有功功率和无功功率。所述BP神经网络潮流模型的输出y主要包括潮流可解性、节点电压、支路有功功率和支路无功功率。利用最大最小法对输入X进行预处理。对经过预处理的输入X进行归一化处理，把归一化处理后的输入作为BP神经网络结构的输入参数。利用最大最小法对输出Y预处理。对经过预处理的参数量进行归一化处理。归一化处理后的输出为目标输出。4.2)利用前向传播计算BP神经网络潮流模型输入层、隐含层和输出层的输出，输出为归一化量纲下表征可解性置信度与潮流归一化估计值的[0,1]区间上的变量。4.3)由链式法则求得残差式中，为输入层第l层的神经元的输出。i为任意神经元。为输入层顶层的神经元i的输出。yi为输出层神经元的期望输出值。式中，为输入层第l层的神经元的输出，即激活度。j为任意神经元。为输入层和隐含层之间的权重值。为输入层第l+1层的残差。sl为第l层的神经元个数。所需损失函数采用平方差函数，如下所示：式中，e为输出层的任意层。m为输出层的总层数。yi为输出层神经元的期望输出值。de为输出层的任意神经元。4.4)通过求得的残差计算出损失函数J对于各网络参数的偏导数。式中，为输入层和隐含层之间的权重值。为输入层第l+1层的残差。为输入层第l层的神经元的输出，即激活度。式中，为顶层神经元将误差反向传播到的第l层神经元所得的误差项。J为损失函数。为输入层第l+1层的残差。W表示输入层至隐含层的权值矩阵。b表示输入层至隐含层的偏移向量。4.5)利用小批量梯度下降算法，并结合学习速率衰减，构建参数更新公式，从而迭代求解所述BP神经网络潮流模型的所有最优参数θ＝{W,b}。在每次迭代中，利用小批量梯度下降算法计算出权值改变量，如下所示：式中，为输入层和隐含层之间的权重值。η是BP神经网络潮流模型的学习速率。r是本Batch的起始样本序号。m是本Batch的样本数量。i为当前训练样本。W表示输入层至隐含层的权值矩阵。b表示输入层至隐含层的偏移向量。J为损失函数。利用衰减学习率对迭代后的学习速率η进行调整。调整方法如下所示：其中，η是BP神经网络潮流模型的学习速率。η0是BP神经网络潮流模型学习速率的初始值。γ为衰减因子。γ<1。T是当前的迭代次数。C是常数。构建参数更新公式9和参数更新公式10，如下所示：W(l,T+1)＝W(l,T)+ΔW(l,T)+p×dW(l,T-1)(8)式中，W(l,T)为第l层第T次参数更新后的权值矩阵。ΔW(l,T)为第l层第T次参数更新时，小批量梯度下降法引起的权值矩阵的改变量。dW(l,T-1)为第T次参数更新时W(l,T-1)相对于W(l,T-2)的改变量。p为动量因子。T为当前的迭代次数。p×dW(l,T-1)为动量学习率。b(l,T+1)＝b(l,T)+Δb(l,T)+p×db(l,T-1)(9)式中，b(l,T)为第l层DAE第T次参数更新后的偏移向量。Δb(l,T)为第l层DAE第T次参数更新时，小批量梯度下降法引起的偏移向量的改变量。db(l,T-1)为第T次参数更新时b(l,T-1)相对于b(l,T-2)的改变量。p为动量因子。T为当前的迭代次数。p×db(l,T-1)为动量学习率。4.6)根据参数更新公式9和参数更新公式10，完成训练，得到训练后的BP神经网络潮流模型。5)采用蒙特卡洛法(MCS法)或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本。所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷。6)将步骤3得到的训练样本数据一次性输入步骤4中训练完成的BP神经网络潮流模型中，从而判断所有训练样本的潮流可解性。计算可解样本的潮流值。进一步，潮流值计算如下所示：式中，W表示输入层至隐含层的权值矩阵。b表示输入层至隐含层的偏移向量。W′表示隐含层至输出层的权值矩阵。b′表示隐含层至输出层的偏移向量。为归一化后的输入。s为sigmoid函数。判断训练样本可解性的方法如下：在训练样本的输出y中添加[0,1]矩阵。[0,1]矩阵表征训练样本可解或不可解。0表示训练样本不可解。1表示训练样本可解。7)统计概率潮流指标。所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布。输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功和无功功率。本专利技术的技术效果是毋庸置疑的。本专利技术利用基本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的概率潮流在线计算方法，其特征在于，主要包括以下步骤：1)建立所述BP神经网络潮流模型；2)初始化BP神经网络潮流模型的基本参数，主要包括：输入层到隐含层的权重Wij、隐含层到输出层的权重Wje和学习速率η。3)获取训练样本数据；所述训练样本数据主要包括电力系统的风速、光照辐射度和负荷；4)确定训练目标，即权值矩阵与偏移向量参数θ＝{W,b}；采用所述训练样本数据，基于步骤2中的初始化BP神经网络潮流模型的基本参数和训练目标，对所述BP神经网络潮流模型进行训练，从而得到训练后的BP神经网络潮流模型；5)采用蒙特卡洛法(MCS法)或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本；所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷；6)将步骤3得到的训练样本数据一次性输入步骤4中训练完成的BP神经网络潮流模型中，得到所述训练目标，从而判断所有训练样本的潮流可解性；计算可解样本的潮流值；7)统计概率潮流指标；所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布；输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功和无功功率。...

【技术特征摘要】
1.一种基于BP神经网络的概率潮流在线计算方法，其特征在于，主要包括以下步骤：1)建立所述BP神经网络潮流模型；2)初始化BP神经网络潮流模型的基本参数，主要包括：输入层到隐含层的权重Wij、隐含层到输出层的权重Wje和学习速率η。3)获取训练样本数据；所述训练样本数据主要包括电力系统的风速、光照辐射度和负荷；4)确定训练目标，即权值矩阵与偏移向量参数θ＝{W,b}；采用所述训练样本数据，基于步骤2中的初始化BP神经网络潮流模型的基本参数和训练目标，对所述BP神经网络潮流模型进行训练，从而得到训练后的BP神经网络潮流模型；5)采用蒙特卡洛法(MCS法)或改进MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本；所述随机变量主要包括待计算概率潮流的电力系统的风速、光照辐射度和负荷；6)将步骤3得到的训练样本数据一次性输入步骤4中训练完成的BP神经网络潮流模型中，得到所述训练目标，从而判断所有训练样本的潮流可解性；计算可解样本的潮流值；7)统计概率潮流指标；所述概率潮流指标主要包括训练后的BP神经网络潮流模型输出变量的均值、方差和概率分布；输出变量主要包括电力系统所有节点的电压幅值和相角、各支路有功和无功功率。2.根据权利要求1所述的一种基于BP神经网络的概率潮流在线计算方法，其特征在于：所述BP神经网络潮流模型包括输入层、隐含层和输出层；输入层的神经元个数设为n；任意输入层神经元记为xi，i＝1、2…n；隐含层的神经元个数为1；输出层的神经元个数设为m；任意输出层神经元记为de,e＝1、2…m；n和m的取值由电力系统的规模和复杂程度决定。3.根据权利要求1所述的一种基于BP神经网络的概率潮流在线计算方法，其特征在于：对所述BP神经网络潮流模型进行训练的主要步骤如下：I)所述BP神经网络潮流模型的输入X主要包括电力系统的能源节点和负荷节点的有功功率和无功功率；所述BP神经网络潮流模型的输出y主要包括潮流可解性、节点电压、支路有功功率和支路无功功率；利用最大最小法对输入X进行预处理；对经过预处理的输入X进行归一化处理，把归一化处理后的输入作为BP神经网络结构的输入参数；利用最大最小法对输出Y预处理；对经过预处理的参数量进行归一化处理；归一化处理后的输出为训练的目标输出；II)利用前向传播计算BP神经网络潮流模型输入层、隐含层和输出层的输出，输出为归一化量纲下表征可解性置信度与潮流归一化估计值的[0,1]区间上的变量；III)由链式法则求得残差式中，为输入层第l层的神经元的输出；i为任意神经元；为输入层顶层的神经元i的输出；yi为输出层神经元的期望输出值；式中，为第l层的神经元的输出，即激活度；j为任意神经元；为输入层和隐含层之间的权重值；为输入层第l+1层的残差；sl为第l层的神经元个数；所需损失函数采用平方差函数，如下所示：式中，e为输出层的任意层；m为输出层的总层数；yi为输出层神经元的期望输出值；de为输出层的任意神经元；IV)通过求得的残差计算出损失函数J对于各网络参数的偏导数；式中，为...

【专利技术属性】
技术研发人员：余娟，任鹏凌，郭林，严梓铭，杨燕，向明旭，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50